Эль-Ниньо — Южное колебание (ЭНЮК) — ведущий режим межгодовой изменчивости климата с далеко идущими глобальными последствиями. Понимание того, как развиваются вызванные ЭНЮК изменения в условиях потепления климата, имеет важное значение для прогнозирования будущей изменчивости климата. Авторы показывают, что климатические модели надёжно прогнозируют усиление влияния ЭНЮК на глобальную температуру поверхности моря в условиях парникового эффекта. Это усиление в основном обусловлено двумя факторами: вызванными Эль-Ниньо изменениями скорости приземного ветра и изменениями климатологической разницы влажности воздуха и моря. Первый связан с усилением атмосферных удалённых связей, ассоциированных с ЭНЮК, а второй — с общим повышением глобальной температуры поверхности моря. Представленные результаты показывают, что будущие явления Эль-Ниньо могут оказывать более сильное региональное воздействие на климат за счёт усиления не только атмосферных удалённых связей, но и локальных взаимодействий между воздухом и морем.

 

Ссылка: https://www.nature.com/articles/s41467-026-70140-9

 

Главными темами номера являются:

• Росгидромет опубликовал ежегодный Доклад об особенностях климата на территории Российской Федерации за 2025 год,

• Всемирная метеорологическая организация опубликовала отчёт о состоянии глобального климата в 2025 году.

Также в выпуске:

•  Департамент экономического сотрудничества МИД России опубликовал справку «О российских подходах к вопросам низкоэмиссионного развития»
• Вице-премьер Правительства РФ Дмитрий Патрушев выделил необходимость адаптации растениеводства к изменениям климата и снижения влияния погодных факторов на результаты сельхозпроизводства
• Только 53,7% мероприятий в региональных планах адаптации к климатическим изменениям в России действительно соответствуют целям адаптации
• Роспотребнадзор опубликовал Методические рекомендации «Оценка риска, анализ и прогнозирование воздействия климатических факторов на здоровье населения»
• Новые публикации в российских и зарубежных научных изданиях
• В Кыргызстане хотят запустить программу климатического образования до 2030 года

 

"Изменение климата" №119 за февраль - март 2026г.

 

Недавнее потепление в Арктике и таяние морского льда являются характерными признаками глобального потепления. Тем не менее, маловероятно, что антропогенное воздействие является единственной причиной этих изменений. Потепление Арктики в начале XX века, сравнимое с недавним, служит эталоном естественной изменчивости климата, но остаётся малоизученным. Недостаток данных о морском льде является серьёзной проблемой, ограничивающей также предыдущие модельные исследования. Авторы использовали новую физически обоснованную реконструкцию морского льда и эксперименты с атмосферными моделями, чтобы впервые воспроизвести быстрое потепление Арктики в начале XX века. Они обнаружили, что две трети сильного зимнего потепления обусловлены увеличением выделения тепла океаном, которое дополнительно усиливается обратной связью градиента температуры. Эта реакция связана с обширной присутствующей в реконструкции потерей морского льда и с усилением переноса тепла в Атлантике в направлении полюса. Эти результаты проясняют роль потери морского льда в Восточно-Тихоокеанском океаническом бассейне и дают новое понимание влияния естественной изменчивости на будущие изменения климата в Арктике.

 

Ссылка: https://agupubs.onlinelibrary.wiley.com/doi/abs/10.1029/2025GL121178

 

Земной покров влияет на реакцию стока в водосборных бассейнах. Однако такие эффекты трудно расшифровать, поскольку экспериментальные исследования носят локальный характер, а анализ больших выборок часто осложняется климатическими градиентами, скрывающими роль земного покрова. Сравнения между участками, игнорирующие различия в предшествующей влажности, могут переоценивать реакцию стока в лесных водосборных бассейнах, поскольку они обычно встречаются во влажном климате. В данном исследовании авторы количественно оценивают реакцию стока на единичный объём осадков и изучают, как она изменяется в 252 водосборных бассейнах США с различными земным покровом и долей лесов. При сопоставимых условиях предшествующей влажности (количественно оцениваемых по предшествующему расходу воды в реке) пиковая реакция стока снижается с увеличением площади лесного покрова, при этом пиковые реакции в лесных водосборных бассейнах на 16–63% ниже, чем в водосборных бассейнах, где преобладают пахотные земли или луга. С учётом климатических различий между водосборными бассейнами такой подход позволяет выделить влияние растительного покрова на снижение пиковых расходов воды, которое часто маскируется климатическими факторами в анализах больших выборок.

 

Ссылка: https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2025GL121139

 

Интегрированные оценочные модели создают большие ансамбли социально-экономических сценариев, широко используемых в исследованиях изменения климата. Межправительственная группа экспертов по изменению климата (МГЭИК), неправительственные организации или национальные климатические комитеты часто полагаются на статистику ансамблевых оценок для определения стратегий смягчения антропогенного изменения климата и установления климатических целей. Ограничением таких данных является оппортунистический характер ансамблей сценариев: они представляют собой неструктурированную, случайную коллекцию данных. Опираясь на концепции физической климатологии и анализа ансамблевых оценок, авторы представляют подход к гибкому многомерному взвешиванию данных о сценариях выбросов, учитывающий релевантность, качество и разнообразие. Иллюстративное применение к последней базе данных сценариев МГЭИК демонстрирует снижение доминирования широко представленных моделей и исследований, а также показывает, что показатели достижения нулевых выбросов отличаются от первоначально заявленных. Предложенная система формализует решения, которые в противном случае принимались бы произвольно, предоставляя инструмент, способствующий решению более широкой задачи оценки ансамблей выбросов.

 

Ссылка: https://www.nature.com/articles/s41558-026-02565-5

 

Прежде чем подходы искусственного интеллекта будут широко внедрены государственными агентствами по прогнозированию, необходимы более строгие испытания.

Улучшения в прогнозировании погоды занимают высокое место среди достижений науки двадцатого века¹. В 1970-х годах произошло четыре тропических циклона, унесших жизни десятков тысяч или даже сотен тысяч людей, тогда как сегодня эти штормы редко приводят к гибели более нескольких десятков человек.

Также в 1970-х годах произошёл поворотный момент, когда метеорологические агентства по всему миру начали внедрять основанные на физике численные модели прогнозирования погоды. Эти модели имитируют атмосферу, используя данные наблюдений со всего мира и подставляя их в уравнения, основанные на фундаментальных законах движения и термодинамики. В результате повысилась точность прогнозов, что позволило своевременно эвакуировать людей и обеспечить адекватную подготовку до начала шторма.

Однако эта хорошо зарекомендовавшая себя система сейчас подвергается изменениям с появлением метеорологических моделей, основанных на искусственном интеллекте, которые обещают ускорить прогнозы. В отличие от традиционных моделей, которые решают сложные физические уравнения шаг за шагом по миллионам точек сетки, модели на основе искусственного интеллекта напрямую сопоставляют текущие погодные условия с вероятным будущим состоянием, используя алгоритмы, обученные на прошлых данных о погоде. Большая часть ресурсоёмких вычислений происходит во время обучения, поэтому создание прогноза на основе искусственного интеллекта в основном включает в себя передачу данных наблюдений через слои простых арифметических операций — таких как умножение и сложение, — которые современные компьютеры могут выполнять быстро.

В результате, глобальный 14-дневный прогноз погоды на основе искусственного интеллекта может быть создан на два часа раньше, чем прогноз, созданный физической системой, — потенциально решающий фактор при организации эвакуации. Это преимущество в скорости может побудить синоптиков полагаться в основном на рекомендации искусственного интеллекта. Но есть загвоздка: пока учёные не знают, насколько надёжны прогнозы на основе искусственного интеллекта в отношении редких, экстремальных погодных явлений.

Прогнозы, основанные на физических принципах, должны оставаться актуальными даже при изменении климата; Системы искусственного интеллекта, напротив, обучаются на исторических данных и могут дать сбой при столкновении с событиями, которые радикально отличаются от всего, что они «видели» ранее.

Установление точности и надёжности моделей на основе искусственного интеллекта становится всё более актуальной задачей, поскольку ряд организаций, включая Европейский центр среднесрочных прогнозов погоды в Рединге, Великобритания, уже начали интегрировать искусственный интеллект в свои оперативные системы прогнозирования. В данной статье авторы обращают внимание на опасения по поводу внедрения искусственного интеллекта в метеорологию и призывают метеорологическое и климатическое сообщество установить чёткие стандарты, начиная с согласованных наборов данных, для объективной проверки прогнозов экстремальных явлений вне обучающей выборки.

Дилемма

Национальные метеорологические службы по всему миру сталкиваются с дилеммой: системы прогнозирования на основе искусственного интеллекта дешевле в эксплуатации, но нет согласованного метода для систематической оценки того, насколько хорошо они работают по сравнению с физическими аналогами.

Исследователям срочно необходим эталонный стандарт для оценки возможностей моделей на основе искусственного интеллекта. В нескольких исследованиях изучалась их производительность применительно к конкретным опасностям. Например, хотя ведущие модели на основе искусственного интеллекта хорошо прогнозируют траектории и, в некоторой степени, интенсивность типичных тропических циклонов, их точность снижается для штормов, не имеющих прецедентов в обучающем наборе данных². Что касается экстремальных температур, некоторые модели на основе искусственного интеллекта и гибридные модели могут в целом воспроизводить частоту и пространственные закономерности исторических волн тепла и холода, которые происходили вне периода, на котором они обучались, хотя и с региональными искажениями³. Однако системы искусственного интеллекта также склонны недооценивать интенсивность и частоту рекордных явлений жары, холода и ветра по сравнению с ведущей моделью, основанной на физических принципах⁴.

В совокупности эти результаты показывают, что выводы о производительности искусственного интеллекта в прогнозировании погоды остаются крайне чувствительными к тому, как определяются экстремальные явления, какие опасности учитываются и где происходят эти экстремальные события. Это подчёркивает необходимость в согласованных, стандартизированных протоколах оценки.

По сути, прежде чем метеорологические агентства внедрят модели на основе искусственного интеллекта, прогностическая способность таких моделей в отношении ряда опасных событий — от аномальной жары и сильных дождей до крупных штормов — должна соответствовать определённому минимальному стандарту. Поэтому авторы предлагают структуру для обучения всех будущих систем искусственного интеллекта, которая намеренно исключает определённый набор «знаковых» экстремальных событий, которые зарезервированы исключительно для тестирования.

Этот протокол переобучения искусственного интеллекта без знаковых событий (AIRWIE) потребует от метеорологического сообщества согласия относительно того, какие события с высоким уровнем воздействия представляют собой строгий эталон, гарантируя, что любая модель будет оцениваться на одних и тех же экстремальных явлениях вне выборки, прежде чем она будет развёрнута в оперативной деятельности государственным агентством прогнозирования.

По сути, прежде чем метеорологические агентства начнут использовать модели на основе искусственного интеллекта в своих целях, необходимо будет обеспечить оценку любой модели на одних и тех же экстремальных явлениях вне выборки.

Стандарты сообщества

Системы прогнозирования на основе искусственного интеллекта обычно обучаются на наборах данных реанализа⁵ — долгосрочных, реконструированных записях погоды за прошлые периоды. Эти наборы данных создаются путём сбора исторических наблюдений со спутников, метеостанций, судов и самолётов и их ввода в современную физическую модель погоды, которая может заполнить пробелы и обеспечить физическую согласованность данных. В результате получается полная, сеточная, почасовая реконструкция атмосферы за последние полвека.

Этот 50-летний период включает в себя несколько знаковых экстремальных событий, таких как ураган Сэнди, обрушившийся на Нью-Йорк в 2012 году после необычного поворота на запад в сторону побережья США, и Великий шторм 1987 года на юге Англии. Последний характеризовался интенсивным локальным порывом разрушительных ветров, известным как «струйный удар», явлением, которое было плохо изучено и которое синоптики тогда упустили из виду.

Метеорологи должны начать создавать глобальную репрезентативную базу данных таких экстремальных событий, возможно, с участием общественности, которая могла бы предлагать примечательные случаи по электронной почте. Определяющим критерием включения будет не то, был ли прогноз события точным или неточным, а то, было ли оно действительно знаковым или рекордным — с точки зрения количества осадков, температуры, скорости ветра или даже необычной траектории шторма или способа его формирования.

Каждое из этих событий должно быть затем удалено из наборов данных реанализа, которые обычно охватывают период с 1979 по 2018 гг., прежде чем эти данные будут использованы для обучения моделей на основе искусственного интеллекта. Действительно, необходимо исключить не только дни, когда событие было наиболее активным, но и период примерно в пять дней вокруг него. Цель состоит в том, чтобы гарантировать, что упрощённый набор данных не будет содержать прямой информации о самом событии, а также об атмосферных условиях, непосредственно предшествовавших или последовавших за ним.

Затем центрам моделирования искусственного интеллекта будет предложено переобучить свои системы на упрощённом наборе данных и попытаться ретроспективно спрогнозировать удалённые экстремальные события. Поскольку переобучение требует значительных вычислительных ресурсов, это будет разовое скоординированное усилие в рамках всего сообщества.

Оценка будет сосредоточена на том, насколько хорошо каждая модель отражает ключевые физические характеристики экстремальных явлений — такие как количество осадков, интенсивность ветра или траектории штормов — и будет сравнивать её эффективность с прогнозами, основанными на физических принципах. Создание достаточно большой выборки с помощью протокола AIRWIE позволит провести более строгую и объективную оценку искусственного интеллекта и традиционных моделей в прогнозировании вневыборочных, но имеющих большое значение погодных явлений.

Этот протокол был представлен Всемирной метеорологической организации на семинаре в октябре 2025 года с призывом к разработке стандартов, основанных на участии сообщества, по справедливому тестированию и сравнению моделей на основе искусственного интеллекта. В эпоху, когда искусственный интеллект может демократизировать доступ к моделированию погоды, крайне важно создать инклюзивный и прозрачный процесс определения обучающих и тестовых наборов данных.

Использование опыта синоптиков для выявления событий, которые они считают знаковыми или экстремальными — как локальными, так и глобальными — имеет решающее значение для укрепления доверия, особенно учитывая нынешнюю неопределённость в отношении того, можно ли сделать работу искусственного интеллекта более прозрачной.

Литература

¹Bauer, P., Thorpe, A. & Brunet, G. Nature 525, 47–55 (2015).
²Sun, Y. Q. et al. Proc. Natl Acad. Sci. USA 122, e2420914122 (2025).
³Meng, Z., Hakim, G. J., Yang, W. & Vecchi, G. J. Preprint at arXiv https://doi.org/10.48550/arXiv.2507.03176 (2025).
⁴Zhang, Z., Fischer, E., Zscheischler, J. & Engelke, S. Preprint at arXiv https://doi.org/10.48550/arXiv.2508.15724 (2025).
⁵Hersbach, H. et al. Q. J. R. Meteorol. Soc. 146, 1999–2049 (2020).

 

Ссылка: https://www.nature.com/articles/d41586-026-00842-z

 

2024 год стал самым тёплым годом за 145-летнюю историю наблюдений НАСА за климатом. В отличие от Арктики, где потепление происходило значительно быстрее, чем в среднем по миру, изменение температуры в Антарктиде носит переменный характер. В данном исследовании авторы используют результаты своих наблюдений, чтобы показать, что, хотя в среднем в Антарктиде наблюдалось потепление, долгосрочные температурные тенденции обладают заметной пространственной неоднородностью и выявляют существенные расхождения с результатами моделей CMIP6. В частности, долгосрочное наблюдаемое потепление отмечается на Антарктическом полуострове и в Западной Антарктиде, с умеренным похолоданием в некоторых частях Восточной Антарктиды, особенно осенью и зимой в южном полушарии. Модели CMIP6 существенно переоценивают потепление в Антарктиде, аналогичное глобальному темпу, и достигающее максимума во внутренних районах Антарктиды. Однако средние и экстремальные значения температуры показывают, что внутренние районы Антарктиды переживают заметные климатические изменения, параллельные прогнозируемому поведению, оцениваемому CMIP6, но с меньшей интенсивностью. В других местах изменение климата происходит на севере Антарктического полуострова и побережье Западной Антарктиды, но носит более слабый характер вдоль восточного побережья Антарктиды.

 

Ссылка: https://www.nature.com/articles/s43247-026-03384-4

 

В этом исследовании изучается совпадение холодных периодов в Северной Америке и штормовой погоды в Европе, которое авторы количественно оценивают с помощью числа дней с экстремальным ветром (ДЭВ). Они рассматривают как данные реанализа ERA5, так и результаты четырёх климатических моделей CMIP6 в историческом периоде и сценарии SSP5-8.5. В ERA5 выявлены три различных региональных взаимосвязи: за холодными периодами в Восточной Канаде следует увеличение числа ДЭВ на Британских островах; холодным периодам в Центральной Канаде предшествует увеличение числа ДЭВ на Пиренейском полуострове; и холодным периодам на востоке США предшествует и следует увеличение числа ДЭВ на Пиренейском полуострове. Эти взаимосвязи воспроизводятся различными крупномасштабными моделями атмосферной циркуляции. Хотя модели CMIP6 в целом воспроизводят крупномасштабные структуры, связанные с региональными холодными периодами, их представление пространственной и временной картины связанных ДЭВ является переменным. В частности, модели недооценивают экстремальные ветровые штормы, предшествующие похолоданиям. В рамках сценария SSP5-8.5 все модели прогнозируют ослабление североамериканских похолоданий, и большинство из них показывают снижение максимальной скорости ветра в экстремальных ветровых штормах, хотя одно из лучших представлений исторических экстремальных ветровых явлений даёт модель, прогнозирующая увеличение интенсивности экстремальных ветровых штормов для Британских островов. Несмотря на рассмотрение сценария сильного потепления, авторы не обнаружили существенных изменений в совпадении североамериканских похолоданий и европейских экстремальных ветровых штормов в будущем.

 

Ссылка: https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2025JD044938

 

Зимние периоды холодов в Северной Америке часто совпадают с экстремальными ветрами в Европе, образуя так называемые пан-атлантические экстремальные явления. В первой части этой статьи авторы выявили регионально различающиеся взаимосвязи между двумя наборами экстремальных явлений в данных реанализа ERA5. Они также проанализировали, как климатические модели CMIP6 воспроизводят прошлые и будущие структуры циркуляции поверхности и тропосферы пан-атлантических экстремальных явлений. Во второй части исследования авторы интерпретируют пан-атлантические экстремальные явления и их представление в моделях через призму динамических прогнозов циркуляции. Используя новый метод кластеризации, отражающий эволюцию атмосферной циркуляции Северной Атлантики во время холодов в Северной Америке, они выявляют пять эпизодов в данных реанализа. Три из этих эпизодов соответствуют различным пространственным и временным закономерностям совпадения холодов в Северной Америке и экстремальных ветровых дней в Европе. Из этих трёх эпизодов два напоминают положительную и отрицательную фазы Арктической осцилляции (AO+ и AO−), а третий — распространяющийся волновой поезд (wave train). Четыре модели CMIP6 в целом воспроизводят крупномасштабные особенности и частоты эпизодов, за исключением волнового поезда. Прогнозы моделей в рамках SSP5-8.5 показывают общее ослабление аномалий циркуляции, связанных со всеми эпизодами, но мало свидетельств изменений их частоты. Качественные выводы авторов остаются устойчивыми при изменении подхода к определению эпизодов и при проецировании результатов моделей на данные реанализа.

 

Ссылка: https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2025JD044939

 

Ключевая неопределённость в понимании того, ускоряет ли потепление потерю углерода (C) в почве, заключается в том, как эта реакция зависит от других сопутствующих изменений окружающей среды и лежащих в её основе механизмов. Авторы показали, что в 12-летнем эксперименте на луговых угодьях потепление снижает содержание углерода в почве на 12,2% при засухе, но увеличивает его на 6,7% в условиях повышенной влажности. Такие потери углерода во время засухи в основном являются результатом снижения содержания органического углерода, связанного с минералами. Эти противоположные реакции тесно связаны с микробными процессами: потепление повышает микробный метаболический коэффициент в условиях засухи, но подавляет его в условиях повышенной влажности, что сопровождается изменениями в составе микробного сообщества и генах, разлагающих углерод. Интеграция этих микробных показателей в экосистемную модель существенно улучшает прогнозирование динамики углерода в почве. Эти результаты демонстрируют ключевую роль микробных процессов в опосредовании обратной связи между углеродом в почве и климатом и подчёркивают их критическую важность для точного прогнозирования динамики углерода в почве в более тёплом, потенциально более засушливом мире.

 

Ссылка: https://www.nature.com/articles/s41558-026-02584-2